面向传感器数据活动识别的循环神经网络研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文主要研究内容及组织结构 | 第12-15页 |
| 第2章 基于活动识别任务的融合模型 | 第15-37页 |
| 2.1 融合模型的基本思想 | 第15-16页 |
| 2.2 数据集概述与预处理 | 第16-24页 |
| 2.2.1 UCI_HAR数据集 | 第17-19页 |
| 2.2.2 Skoda数据集 | 第19-21页 |
| 2.2.3 Opportunity数据集 | 第21-22页 |
| 2.2.4 数据预处理 | 第22-24页 |
| 2.3 深度模型 | 第24-30页 |
| 2.3.1 卷积神经网络 | 第24-25页 |
| 2.3.2 循环神经网络 | 第25-29页 |
| 2.3.3 深度级联模型设计 | 第29-30页 |
| 2.4 模型融合 | 第30-32页 |
| 2.5 融合模型的训练流程 | 第32-33页 |
| 2.6 实验结果分析 | 第33-36页 |
| 2.7 本章小结 | 第36-37页 |
| 第3章 基于注意力机制的循环网络分类模型 | 第37-53页 |
| 3.1 注意力机制 | 第37-44页 |
| 3.1.1 循环神经网络注意力机制 | 第39-41页 |
| 3.1.2 时间点注意力机制 | 第41-42页 |
| 3.1.3 输出注意力机制 | 第42-43页 |
| 3.1.4 自注意力机制 | 第43-44页 |
| 3.2 数据集预处理 | 第44-45页 |
| 3.2.1 Skoda数据集预处理 | 第44页 |
| 3.2.2 机会数据集预处理 | 第44-45页 |
| 3.3 模型配置与训练 | 第45-46页 |
| 3.4 实验结果统计与分析 | 第46-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于注意力机制的循环网络分割模型 | 第53-63页 |
| 4.1 注意力循环网络分割模型 | 第53-56页 |
| 4.2 分割数据预处理过程 | 第56-57页 |
| 4.3 分割模型配置与训练 | 第57-59页 |
| 4.4 实验结果与分析 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第69-70页 |
| 致谢 | 第70页 |
